本申请属于信息,尤其涉及一种异常检测方法、装置、设备及计算机可读存储介质。
背景技术:
1、随着智能运维行业的蓬勃发展,通过某项业务的kpi(key performanceindicator,关键绩效指标)来判定该项业务是否存在异常,是比较典型的异常检测方法。
2、目前,基于kpi的异常检测方法主要包括基于残差的异常检测和基于密度的异常检测,而该两种方法的检测精度都不高。
技术实现思路
1、本申请实施例提供一种异常检测方法、装置、设备及计算机可读存储介质,能够提高检测精度。
2、第一方面,本申请实施例提供一种异常检测方法,该方法包括:
3、获取第一时间段的业务数据,所述第一时间段为业务正常的时间段;
4、利用所述第一时间段的业务数据训练初始神经网络,得到经训练的目标神经网络;
5、采用贝叶斯状态空间算法,根据所述目标神经网络中的参数信息确定后验分布信息;
6、基于所述后验分布信息确定目标时刻的业务状态是否异常。
7、第二方面,本申请实施例提供了一种异常检测装置,该装置包括:
8、数据获取模块,用于获取第一时间段的业务数据,所述第一时间段为业务正常的时间段;
9、网络训练模块,用于利用所述第一时间段的业务数据训练初始神经网络,得到经训练的目标神经网络;
10、信息确定模块,用于采用贝叶斯状态空间算法,根据所述目标神经网络中的参数信息确定后验分布信息;
11、业务检测模块,用于基于所述后验分布信息确定目标时刻的业务状态是否异常。
12、第三方面,本申请实施例提供了一种电子设备,该电子设备包括:处理器以及存储有计算机程序指令的存储器;
13、处理器执行所述计算机程序指令时实现如第一方面的任一项实施例中所述的异常检测方法的步骤。
14、第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所述的异常检测方法的步骤。
15、第五方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如第一方面的任一项实施例中所述的异常检测方法的步骤。
16、本申请实施例中的异常检测方法、装置、设备及计算机可读存储介质,通过利用业务正常的第一时间段的业务数据,训练初始神经网络,得到经训练的目标神经网络,再采用贝叶斯状态空间算法,根据目标神经网络中的参数信息确定后验分布信息,基于后验分布信息来确定目标时刻的业务状态是否异常,这样,可以充分利用神经网络在数据关联和贝叶斯状态空间算法在状态预测方面的优势,从而提高了检测精度。
1.一种异常检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在利用所述第一时间段的业务数据训练初始神经网络,得到经训练的目标神经网络之后,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,在基于所述异常业务数据调整所述目标神经网络的参数信息之后,所述方法还包括:
4.根据权利要求1所述的方法,其特征在于,在利用所述第一时间段的业务数据训练初始神经网络,得到经训练的目标神经网络之前,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,在采用贝叶斯状态空间算法,根据所述目标神经网络中的参数信息确定后验分布信息之前,所述方法还包括:
6.根据权利要求1所述的方法,其特征在于,所述采用贝叶斯状态空间算法,根据所述目标神经网络中的参数信息确定后验分布信息,包括:
7.根据权利要求6所述的方法,其特征在于,根据所述目标神经网络中的参数信息构建集成卡尔曼滤波器,包括:
8.根据权利要求7所述的方法,其特征在于,根据所述目标神经网络中的参数信息构建抽样重要性重采样粒子滤波器,确定得到后验分布信息,包括:
9.根据权利要求1所述的方法,其特征在于,所述基于所述后验分布信息确定目标时刻的业务状态是否异常,包括:
10.根据权利要求1-9任一项所述的方法,其特征在于,所述业务数据为业务调用链路数据,所述业务数据中包括业务量、耗时和成功率中至少两个维度的数据。
11.一种异常检测装置,其特征在于,所述装置包括:
12.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的异常检测方法的步骤。